CN112561146A - 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 - Google Patents

一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 Download PDF

Info

Publication number
CN112561146A
CN112561146A CN202011425721.9A CN202011425721A CN112561146A CN 112561146 A CN112561146 A CN 112561146A CN 202011425721 A CN202011425721 A CN 202011425721A CN 112561146 A CN112561146 A CN 112561146A
Authority
CN
China
Prior art keywords
information
congestion
prediction
data
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011425721.9A
Other languages
English (en)
Other versions
CN112561146B (zh
Inventor
王桐
阿泽热
高山
曹家华
陈立伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202011425721.9A priority Critical patent/CN112561146B/zh
Priority to US17/211,734 priority patent/US11657708B2/en
Publication of CN112561146A publication Critical patent/CN112561146A/zh
Application granted granted Critical
Publication of CN112561146B publication Critical patent/CN112561146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)

Abstract

本发明是一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法。本发明涉及城市智能交通管理技术领域，选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对不同模型的预测效果进行评估。

Description

一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法
技术领域
本发明涉及城市智能交通管理技术领域，是一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法。
背景技术
随着城市化进程加快,智能交通控制技术愈发广泛的应用于城市道路交通合理规划和交通信号控制灯合理高效部署、居民出行规划等实际工程当中，帮助建立完善智能化,动态化和信息化的ITS智能交通控制***。而该技术的核心基础部分便是短时交通流量的动态分析与预测。实时交通流量的精准预测为交通管理和指导提供了很大的便益,结合交通信号控制灯的合理部署，可以使智能交通***充分发挥出其高效,方便,快捷的现实作用,智能选择合最优路径,规避交通拥塞,提高用户出行舒适度,最大程度减缓交通环境压力,合理分配道路资源。
常用的交通流量预测方法大体可以分为两类：1.参数方法2.非参数方法。其中最常用的参数方法是自回归积分滑动平均模型(ARIMA)，可以在一定范围内解决一些随机性不大的交通流问题，但是却不能反映出交通流的非线性和随机波动性，不适用于高度动态的城市交通。最近，基于非参数方法的研究由于其随机性和非线性特性而成为ITS的主要焦点。此类研究工作包括随机森林方法、支持向量回归(SVR)技术、贝叶斯网络等。此外，人工神经网络(ANN)及其组合模型也体现了良好的交通预测效果，如深度信念网络等。但是以上方法的模型准确性依赖海量的交通数据，且大部分的交通数据往往非公开，这导致模型的应用受到限制。如何设计一套城市道路交通探测机制，根据算法需求实现道路交通信息的获取，继而进行模型训练，是目前大多数交通流量预测算法研究中较薄弱的一项。
发明内容
本发明针对交通流量预测问题中，可获取的数据集数量有限且地域选择有限问题，不同架构设计以及参数选择对LSTM神经网络训练效果不同的问题，提出一种考虑了城市交通高度动态性、随机性、不稳定性的基于模糊逻辑构建训练集搭建并训练深层LSTM神经网络的FDFP模型，用于实现城市交通拥塞等级实时探测和流量预测，本发明提供了以下技术方案：
一种基于模糊逻辑的深层LSTM的城市交通流量预测方法，包括以下步骤：
步骤1：选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；
步骤2：根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；
步骤3：建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；
步骤4：从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对不同模型的预测效果进行评估。
优选地，所述步骤1具体为：
步骤1.1：选定区域，通过地图网站如谷歌地图、百度地图、Trafficview和INRIX网站获取区域的动态实时交通情况信息；
步骤:1.2：通过时空角度对区域内的交通信息提出一种记录机制，构建周期性更新的数据集；
步骤:1.3：对周期性更新的交通信息图像进行每分钟两次的采样，抓取彩色拥塞图像IT(t)。
优选地，所述步骤2具体为：
步骤2.1：对抓取的彩色拥塞图像IT(t)完成由RGB到HSV的色彩模式转换；
步骤2.2：根据路口经纬度信息到图像像素信息的映射，采取服从高斯分布的范围因子α对图像里路口范围进行划定，通过下式表示路口的抓取范围：
IP(n)＝IT(t)[yp(n)-α:yp(n)+α,xp(n)-α:xp(n)+α]
其中，IP(n)是第n个路口的抓取范围，(xp(n),yp(n))是第n个路口的坐标信息，p为像素信息，α为服从高斯分布的范围因子；
步骤2.3：对多个路口的图像处理后的信息进行由绿色、黄色、红色、深红色四个等级的划分，分别代表当时路段上的车速信息，侧面反应路段的拥塞程度；
步骤2.4：对模糊逻辑***进行设计，选取每个描述对象的隶属函数范围和形状，使不同颜色路段对应的拥塞等级划分结果差别开；
步骤2.5：将各个路口图像中经过阈值处理后的四个颜色对应的像素水平IG,IY,IR,IDR作为模糊***的输入，模糊***输出按由非拥塞到严重拥塞7个拥塞程度等级划分；
步骤2.6：将得到的范围由0至1的拥塞等级信息对应各个时段和路口位置信息记录在构建的训练集中；
步骤2.7：得到了每隔30秒更新的、包含n个路口位置、路口ID、拥塞信息和具体时间的数据训练集；
步骤2.8：对选取的区域的两个月的交通拥塞信息进行数据训练集构建，得到FDFP的数据感知端。
优选地，所述步骤3具体为：
对LSTM神经网络各层的参数进行选择，确定网络层数、各层神经元数、训练过程的优化算法，采取五层LSTM的多隐藏层网络结构，每层包含200个神经元；根据数据训练集对LSTM神经网络进行训练，保存得到的深层LSTM神经网络模型。
优选地，所述步骤4具体为：
步骤4.1：将周期性更新的数据输入到FDFP模型中，得到输出预测数据；
步骤4.2：确定网络的训练损失函数采用均方误差，通过下式表示均方误差
Figure BDA0002824745250000036
Figure BDA0002824745250000031
其中，
Figure BDA0002824745250000032
是实际的未来时间的数据，Tsamples是训练窗长，yt(i)是模型预测结果；
步骤4.3：根据不同的参数选择测试实际数据集，为FDL-TCP模型选定参数，优化目标为损失函数最小化，采用Adam优化算法进行梯度计算，对网络迭代更新不断调整模型权重和降低预测误差；
步骤4.4：在预测中，确保平均绝对百分误差MAPE和绝对均方误差MAE值越小，预测精度越高，通过下式表示平均绝对百分误差和绝对均方误差：
Figure BDA0002824745250000033
Figure BDA0002824745250000034
其中，
Figure BDA0002824745250000035
是实际的未来时刻t的真实数据，Tsamples是训练窗长，yt(i)是模型预测结果。
本发明具有以下有益效果：
本发明采用模糊逻辑对服务器端的交通情况图像进行处理，该方法可以实现根据选取的区域自己构建实时更新的路口拥塞等级数据集，解决了网上交通数据集数量有限区域有限的问题。完成了能有效学习交通数据深层特征的深度LSTM神经网络的搭建，通过真实数据集的测试结果，结合所选取与的交通特征，对隐藏层数和神经元数等参数进行了择优，相比鲳鱼与流量预测的简单LSTM网络，极大提高了不同环境特点下的预测精准度。
本发明提出的FDFP模型融合了模糊逻辑在数据分析和深度LSTM神经网络模型在预测方面的优点，在不同的天气条件，比如雨雪天气以及工作日高峰时间段都可以完成数据的准确获取，体现了良好的预测性能。
附图说明
图1为模糊逻辑处理后的路口拥塞程度图；
图2为FDFP流程图；
图3为深度LSTM网络结构图。
具体实施方式
以下结合具体实施例，对本发明进行了详细说明。
具体实施例一：
根据图1至图3所示，本发明提供一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，包括以下步骤：
步骤1：选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；
所述步骤1具体为：
步骤1.1：选定区域，通过地图网站如谷歌地图、百度地图、Trafficview和INRIX网站获取区域的动态实时交通情况信息；
步骤:1.2：通过时空角度对区域内的交通信息提出一种记录机制，构建周期性更新的数据集；
步骤:1.3：对周期性更新的交通信息图像进行每分钟两次的采样，抓取彩色拥塞图像IT(t)。
步骤2：根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；为了实现从服务器端实时抓取的图像里提取路口的可用来构造数据集的拥堵信息，提出了基于模糊逻辑的信息提取算法作为FDFP的数据感知端，为基于深层LSTM神经网络的预测端的训练构建数据集。
所述步骤2具体为：
步骤2.1：对抓取的彩色拥塞图像IT(t)完成由RGB到HSV的色彩模式转换；
步骤2.2：根据路口经纬度信息到图像像素信息的映射，采取服从高斯分布的范围因子α对图像里路口范围进行划定，通过下式表示路口的抓取范围：
IP(n)＝IT(t)[yp(n)-α:yp(n)+α,xp(n)-α:xp(n)+α]
其中，IP(n)是第n个路口的抓取范围，(xp(n),yp(n))是第n个路口的坐标信息，p是pixels,代表该图像的x,y坐标位置信息来源于图形的像素坐标，α为服从高斯分布的范围因子，决定了所选定的路口区域的大小；
步骤2.3：对多个路口的图像处理后的信息进行由绿色、黄色、红色、深红色四个等级的划分，分别代表当时路段上的车速信息，侧面反应路段的拥塞程度；
步骤2.4：对模糊逻辑***进行设计，选取每个描述对象的隶属函数范围和形状，使不同颜色路段对应的拥塞等级划分结果差别开；
步骤2.5：将各个路口的图像信息作为模糊***的输入，模糊***输出按由非拥塞到严重拥塞7个拥塞程度等级划分；
步骤2.6：将得到的范围由0至1的拥塞等级信息对应各个时段和路口位置信息记录在构建的训练集中；
步骤2.7：得到了每隔30秒更新的、包含n个路口位置、路口ID、拥塞信息和具体时间的数据训练集；
步骤2.8：对选取的区域的两个月的交通拥塞信息进行数据训练集构建，得到FDFP的数据感知端。
步骤3：建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；
所述步骤3具体为：
对LSTM神经网络各层的参数进行选择，确定网络层数、各层神经元数、训练过程的优化算法，采取五层LSTM的多隐藏层网络结构，每层包含200个神经元；根据数据训练集对LSTM神经网络进行训练，保存得到的深层LSTM神经网络模型。
在FDFP的预测端，我们搭建深层LSTM神经网络以实现对数据特征更深层次的学习，训练后得到的神经网络可以从数据中提取更高抽象程度的特征，实现更有效的更准确的预测。
步骤4：从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对不同模型的预测效果进行评估。
所述步骤4具体为：
步骤4.1：将周期性更新的数据输入到FDFP模型中，得到输出预测数据；
步骤4.2：确定网络的训练损失函数采用均方误差，通过下式表示均方误差
Figure BDA0002824745250000053
Figure BDA0002824745250000051
其中，
Figure BDA0002824745250000052
是实际的未来时间的数据，Tsamples是训练窗长，yt(i)是模型预测结果；
步骤4.3：根据不同的参数选择测试实际数据集，为FDFP模型选定参数，优化目标为损失函数最小化，采用Adam优化算法进行梯度计算，对网络迭代更新不断调整模型权重和降低预测误差；
步骤4.4：在预测中，确保平均绝对百分误差MAPE和绝对均方误差MAE值越小，预测精度越高，通过下式表示平均绝对百分误差和绝对均方误差：
Figure BDA0002824745250000061
Figure BDA0002824745250000062
其中，
Figure BDA0002824745250000063
是实际的未来时刻t的真实数据，Tsamples是训练窗长，yt(i)是模型预测结果。
以上所述仅是一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法的优选实施方式，一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (5)

1.一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，其特征是：包括以下步骤：
步骤1：选取城市路网场景，进行实时交通流拥塞程度信息的彩色图像采集；
步骤2：根据采集的彩色图像，获取多个路口的拥堵程度，用于数据训练集，通过模糊机制构成FDFP的数据感知端；
步骤3：建立深层LSTM神经网络，对数据训练集进行深度学习，构建FDFP的预测端；
步骤4：从服务器端获取的实时交通信息输入FDFP模型中，得到实时的多个路口的未来确定时间范围内的流量预测，对各路口实际实时交通情况对不同模型的预测效果进行评估。
2.根据权利要求1所述的一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，其特征是：所述步骤1具体为：
步骤1.1：选定区域，通过地图网站如谷歌地图、百度地图、Trafficview和INRIX网站获取区域的动态实时交通情况信息；
步骤:1.2：通过时空角度对区域内的交通信息提出一种记录机制，构建周期性更新的数据集；
步骤:1.3：对周期性更新的交通信息图像进行每分钟两次的采样，抓取彩色拥塞图像IT(t)。
3.根据权利要求1所述的一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，其特征是：所述步骤2具体为：
步骤2.1：对抓取的彩色拥塞图像IT(t)完成由RGB到HSV的色彩模式转换；
步骤2.2：根据路口经纬度信息到图像像素信息的映射，采取服从高斯分布的范围因子α对图像里路口范围进行划定，通过下式表示路口的抓取范围：
IP(n)＝IT(t)[yp(n)-α:yp(n)+α,xp(n)-α:xp(n)+α]
其中，IP(n)是第n个路口的抓取范围，(xp(n),yp(n))是第n个路口的坐标信息，p为像素信息，α为服从高斯分布的范围因子；
步骤2.3：对多个路口的图像处理后的信息进行由绿色、黄色、红色、深红色四个等级的划分，分别代表当时路段上的车速信息，侧面反应路段的拥塞程度；
步骤2.4：对模糊逻辑***进行设计，选取每个描述对象的隶属函数范围和形状，使不同颜色路段对应的拥塞等级划分结果差别开；
步骤2.5：将各个路口图像中经过阈值处理后的四个颜色对应的像素水平IG,IY,IR,IDR作为模糊***的输入，模糊***输出按由非拥塞到严重拥塞7个拥塞程度等级划分；
步骤2.6：将得到的范围由0至1的拥塞等级信息对应各个时段和路口位置信息记录在构建的训练集中；
步骤2.7：得到了每隔30秒更新的、包含n个路口位置、路口ID、拥塞信息和具体时间的数据训练集；
步骤2.8：对选取的区域的两个月的交通拥塞信息进行数据训练集构建，得到FDFP的数据感知端。
4.根据权利要求1所述的一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，其特征是：所述步骤3具体为：
对LSTM神经网络各层的参数进行选择，确定网络层数、各层神经元数、训练过程的优化算法，采取五层LSTM的多隐藏层网络结构，每层包含200个神经元；根据数据训练集对LSTM神经网络进行训练，保存得到的深层LSTM神经网络模型。
5.根据权利要求1所述的一种基于模糊逻辑和深度LSTM的大规模实时交通流预测方法，其特征是：所述步骤4具体为：
步骤4.1：将周期性更新的数据输入到FDFP模型中，得到输出预测数据；
步骤4.2：确定网络的训练损失函数采用均方误差，通过下式表示均方误差
Figure FDA0002824745240000026
Figure FDA0002824745240000021
其中，
Figure FDA0002824745240000022
是实际的未来时间的数据，Tsamples是训练窗长，yt(i)是模型预测结果；
步骤4.3：根据不同的参数选择测试实际数据集，为FDFP模型选定参数，优化目标为损失函数最小化，采用Adam优化算法进行梯度计算，对网络迭代更新不断调整模型权重和降低预测误差；
步骤4.4：在预测中，确保平均绝对百分误差MAPE和绝对均方误差MAE值越小，预测精度越高，通过下式表示平均绝对百分误差和绝对均方误差：
Figure FDA0002824745240000023
Figure FDA0002824745240000024
其中，
Figure FDA0002824745240000025
是实际的未来时刻t的真实数据，Tsamples是训练窗长，yt(i)是模型预测结果。
CN202011425721.9A 2020-12-08 2020-12-08 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 Active CN112561146B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011425721.9A CN112561146B (zh) 2020-12-08 2020-12-08 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法
US17/211,734 US11657708B2 (en) 2020-12-08 2021-03-24 Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011425721.9A CN112561146B (zh) 2020-12-08 2020-12-08 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法

Publications (2)

Publication Number Publication Date
CN112561146A true CN112561146A (zh) 2021-03-26
CN112561146B CN112561146B (zh) 2023-04-18

Family

ID=75059849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011425721.9A Active CN112561146B (zh) 2020-12-08 2020-12-08 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法

Country Status (2)

Country Link
US (1) US11657708B2 (zh)
CN (1) CN112561146B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570867A (zh) * 2021-09-26 2021-10-29 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN115497294A (zh) * 2022-09-22 2022-12-20 东南大学 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及***

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110634287B (zh) * 2019-08-26 2021-08-17 上海电科智能***股份有限公司 一种基于边缘计算的城市交通状态精细化判别方法
CN113724504B (zh) * 2021-08-06 2023-04-07 之江实验室 一种面向车辆轨迹大数据的城市区域流量预测***及方法
CN113822473B (zh) * 2021-09-03 2023-12-26 浙江中控信息产业股份有限公司 一种基于多维数据的牵引力能耗合理区间预测方法
CN113759854B (zh) * 2021-09-18 2023-09-05 富联裕展科技(深圳)有限公司 基于边缘计算的智能工厂管控***及方法
CN113793069A (zh) * 2021-09-30 2021-12-14 天津市气象台 深度残差网络的城市内涝积水智能识别方法
CN114067579B (zh) * 2021-10-21 2023-01-03 信通院车联网创新中心(成都)有限公司 一种智能交通信号控制***及其控制方法
CN114202913B (zh) * 2021-11-17 2023-02-17 江苏大学 一种在车联网环境下考虑遵从程度的逐日路径规划方法
CN114091772A (zh) * 2021-11-26 2022-02-25 东北大学 基于编码器解码器的多角度融合道路交通流量预测方法
CN114202917B (zh) * 2021-12-02 2022-11-22 安徽庐峰交通科技有限公司 基于动态交通流短时预测的施工区域交通控制与诱导方法
CN114239948B (zh) * 2021-12-10 2023-07-21 浙江省交通投资集团有限公司智慧交通研究分公司 基于时序分解单元的深度交通流预测方法、介质及其设备
CN114330106A (zh) * 2021-12-13 2022-04-12 深圳先进技术研究院 城市公共交通规划方法
CN114333307A (zh) * 2021-12-23 2022-04-12 北京交通大学 一种基于pso-elm算法的交叉***通状态识别方法
CN115115082B (zh) * 2021-12-30 2024-06-14 南通大学 一种基于联邦学习的长距离高速公路交通流量预测方法
CN114529081B (zh) * 2022-02-18 2024-06-11 哈尔滨工程大学 一种时空联合的交通流量预测方法及装置
CN114572229B (zh) * 2022-02-28 2024-06-11 华南理工大学 一种基于图神经网络的车速预测方法、装置、介质及设备
CN114629840A (zh) * 2022-03-07 2022-06-14 天津体育学院 一种基于群智感知策略的可靠车联网数据传输方法
CN114743388B (zh) * 2022-03-22 2023-06-20 中山大学·深圳 一种基于强化学习的多交叉口信号自适应控制方法
CN114390079B (zh) * 2022-03-24 2022-06-03 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网***
CN114758499B (zh) * 2022-04-01 2023-08-18 济南市公安局交通警察支队 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质
CN114826500B (zh) * 2022-04-21 2023-04-07 中国人民解放军国防科技大学 基于深度学习的恒包络调制突发信号检测方法及相关设备
CN114662792B (zh) * 2022-04-22 2023-01-20 广西财经学院 基于动态扩散图卷积的循环神经网络的交通流量预测方法
CN114677844B (zh) * 2022-04-29 2022-11-22 立昂技术股份有限公司 智能交通资源调配服务***及方法
CN114881330A (zh) * 2022-05-09 2022-08-09 华侨大学 一种基于神经网络的轨道交通客流预测方法及***
CN115050177B (zh) * 2022-05-11 2023-04-25 杭州像素元科技有限公司 一种基于时空多头注意力机制的高速公路拥堵预测方法
CN114973660B (zh) * 2022-05-13 2023-10-24 黄河科技学院 一种模型线性化迭代更新法的交通决策方法
CN114911239A (zh) * 2022-05-27 2022-08-16 上海伯镭智能科技有限公司 一种无人驾驶矿车的异常识别方法及***
CN114881356A (zh) * 2022-05-31 2022-08-09 江苏地质矿产设计研究院(中国煤炭地质总局检测中心) 基于粒子群算法优化bp神经网络的城市交通碳排预测方法
CN114913689B (zh) * 2022-06-01 2023-06-16 南通大学 一种基于先验知识时变图卷积网络的交通流预测方法
CN114839881B (zh) * 2022-06-17 2023-06-30 淮阴工学院 智能化垃圾清理与环境参数大数据物联网***
CN114782911B (zh) * 2022-06-20 2022-09-16 小米汽车科技有限公司 图像处理的方法、装置、设备、介质、芯片及车辆
CN115116226A (zh) * 2022-06-24 2022-09-27 云控智行(上海)汽车科技有限公司 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置
CN115311846B (zh) * 2022-06-24 2023-08-11 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测***
CN115238602B (zh) * 2022-07-01 2023-07-11 中国海洋大学 一种波致海床瞬态液化对再悬浮贡献率的预测方法
CN115620510B (zh) * 2022-08-25 2023-12-05 重庆邮电大学 一种基于自适应窗口注意力提取时空依赖的交通流预测方法
CN115481531B (zh) * 2022-09-06 2023-07-11 苏州大学 基于sumo的路网交通流实时孪生方法及***
CN115909748B (zh) * 2023-01-07 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 节假日公路交通量预测方法、电子设备及存储介质
CN116071711B (zh) * 2023-03-20 2023-08-01 广东致盛技术有限公司 一种交通拥堵状况检测方法及装置
CN116089225B (zh) * 2023-04-12 2023-07-07 浙江大学 一种基于BiLSTM的公共数据采集动态感知***及方法
CN116153079B (zh) * 2023-04-17 2023-06-23 湖南工商大学 基于车辆轨迹分析的道路车流量预测方法及装置
CN116192764B (zh) * 2023-04-24 2023-07-07 南京邮电大学 一种基于深度学习的多任务数据中心网络流量预测方法
CN116823572B (zh) * 2023-06-16 2023-12-19 中国联合网络通信有限公司深圳市分公司 人口流动数据的获取方法、装置及计算机可读存储介质
CN116523144B (zh) * 2023-06-27 2023-09-15 天津建城基业集团有限公司 硬质土层中trd施工工艺控制方法及***
CN116911176B (zh) * 2023-07-08 2024-04-30 哈尔滨理工大学 一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法
CN116913105B (zh) * 2023-07-24 2024-03-19 重庆邮电大学 一种基于循环神经灰色模型的短时交通流预测方法
CN116894609B (zh) * 2023-09-08 2023-11-24 北京交通发展研究院 一种基于半监督图神经网络的公交轨道接驳评价方法
CN117116065B (zh) * 2023-10-23 2024-02-02 宁波宁工交通工程设计咨询有限公司 一种智慧道路车流管控方法及***
CN117152692B (zh) * 2023-10-30 2024-02-23 中国市政工程西南设计研究总院有限公司 基于视频监控的交通目标检测方法及***
CN117151312A (zh) * 2023-10-31 2023-12-01 北京融信数联科技有限公司 基于bp神经网络模型的公园日游客流量预测方法与***
CN117177178B (zh) * 2023-11-03 2024-05-17 四川川西数据产业有限公司 一种基于物联网的城市道路分流***
CN117292562B (zh) * 2023-11-23 2024-02-20 山东理工大学 一种基于交叉口精准流向辨识的信号控制时段划分方法
CN117636633B (zh) * 2023-11-27 2024-05-17 香港科技大学(广州) 一种基于时空感知混合图的交通流量预测方法
CN117292551B (zh) * 2023-11-27 2024-02-23 辽宁邮电规划设计院有限公司 基于物联网的城市交通态势调节***与方法
CN117455553B (zh) * 2023-12-08 2024-04-30 青岛理工大学 一种地铁站客流量预测的方法
CN117912235A (zh) * 2023-12-21 2024-04-19 江阴市城乡规划设计院有限公司 一种智慧城市的规划数据处理方法和***
CN117533356B (zh) * 2024-01-09 2024-03-29 北京市北太机电设备工贸有限公司 一种智能驾驶辅助***及方法
CN117829083B (zh) * 2024-03-01 2024-05-28 上海励驰半导体有限公司 基于神经网络的布线方法、装置、电子设备及存储介质
CN117951648B (zh) * 2024-03-26 2024-06-07 成都正扬博创电子技术有限公司 一种机载多源信息融合方法及***
CN118097969B (zh) * 2024-04-23 2024-07-12 福建省高速公路科技创新研究院有限公司 一种基于交通参数短时预测的拥堵预警方法
CN118211127A (zh) * 2024-05-22 2024-06-18 中国矿业大学(北京) 基于AdaBoost-LSTM的采空区隐蔽火源时序预测方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137412A1 (en) * 2016-11-16 2018-05-17 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
CN109243172A (zh) * 2018-07-25 2019-01-18 华南理工大学 基于遗传算法优化lstm神经网络的交通流预测方法
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法
CN109711640A (zh) * 2019-01-23 2019-05-03 北京工业大学 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法
CN110070713A (zh) * 2019-04-15 2019-07-30 浙江工业大学 一种基于双向嵌套lstm神经网络的交通流预测方法
CN111325968A (zh) * 2018-12-13 2020-06-23 深圳先进技术研究院 一种基于拥堵扩散的交通瓶颈预测方法、***及电子设备
CN111639791A (zh) * 2020-05-11 2020-09-08 同济大学 交通流预测方法、***、存储介质及终端
CN111768618A (zh) * 2020-06-04 2020-10-13 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警***及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105472631A (zh) * 2014-09-02 2016-04-06 中兴通讯股份有限公司 一种业务数据量和/或资源数据量的预测方法及预测***
WO2022034365A1 (en) * 2020-08-13 2022-02-17 Rathod Yogesh Selected place on maps associated uniform resource locator (url) or selected place associated merchant account based payment transactions, connections, offers, order, deals, reservation and call-to-actions
US20220058944A1 (en) * 2020-08-24 2022-02-24 Quantela Inc Computer-based method and system for traffic congestion forecasting

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137412A1 (en) * 2016-11-16 2018-05-17 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
CN109243172A (zh) * 2018-07-25 2019-01-18 华南理工大学 基于遗传算法优化lstm神经网络的交通流预测方法
CN111325968A (zh) * 2018-12-13 2020-06-23 深圳先进技术研究院 一种基于拥堵扩散的交通瓶颈预测方法、***及电子设备
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法
CN109711640A (zh) * 2019-01-23 2019-05-03 北京工业大学 一种基于模糊c均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法
CN110070713A (zh) * 2019-04-15 2019-07-30 浙江工业大学 一种基于双向嵌套lstm神经网络的交通流预测方法
CN111639791A (zh) * 2020-05-11 2020-09-08 同济大学 交通流预测方法、***、存储介质及终端
CN111768618A (zh) * 2020-06-04 2020-10-13 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警***及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUIMIN KE，ETAL: "Real-Time Traffic Flow Parameter Estimation From UAV Video Based on Ensemble Classifier and Optical Flow", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 20, no. 1, 7 March 2018 (2018-03-07), pages 54 - 64, XP011694631, DOI: 10.1109/TITS.2018.2797697 *
谭晖 等: "一种基于LSTM神经网络的流量预测模型", 《信息通信》, no. 2, 15 February 2018 (2018-02-15), pages 240 - 241 *
黄慧琼: "基于模糊理论的城市道路短时交通流量预测研究", 《公路工程》, vol. 41, no. 1, 20 February 2016 (2016-02-20), pages 172 - 175 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570867A (zh) * 2021-09-26 2021-10-29 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN113570867B (zh) * 2021-09-26 2021-12-07 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN115497294A (zh) * 2022-09-22 2022-12-20 东南大学 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及***
CN115497294B (zh) * 2022-09-22 2023-09-19 东南大学 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及***

Also Published As

Publication number Publication date
US20210209939A1 (en) 2021-07-08
CN112561146B (zh) 2023-04-18
US11657708B2 (en) 2023-05-23

Similar Documents

Publication Publication Date Title
CN112561146B (zh) 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法
CN108710875B (zh) 一种基于深度学习的航拍公路车辆计数方法及装置
Hu et al. Classification and mapping of urban canyon geometry using Google Street View images and deep multitask learning
CN110111335B (zh) 一种自适应对抗学习的城市交通场景语义分割方法及***
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN107247938B (zh) 一种高分辨率遥感影像城市建筑物功能分类的方法
CN111080029B (zh) 基于多路段时空相关的城市交通路段速度预测方法及***
JP2021531462A (ja) トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム
CN110197215A (zh) 一种自主驾驶的地面感知点云语义分割方法
CN110263717A (zh) 一种融入街景影像的土地利用类别确定方法
CN109359166B (zh) 一种空间增长动态模拟与驱动力因子贡献度同步计算方法
CN112418674A (zh) 基于城市多源数据的街道空间品质测度评价方法和***
Tan et al. Vehicle detection in high resolution satellite remote sensing images based on deep learning
CN114519302B (zh) 基于数字孪生的公路交通态势仿真方法
CN112365708B (zh) 基于多图卷积网络的景区交通量预测模型建立和预测方法
CN112668375B (zh) 景区内游客分布分析***及方法
CN113806419B (zh) 基于时空大数据的城市区域功能识别模型及识别方法
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN113343858B (zh) 路网地理位置识别方法、装置、电子设备及存储介质
CN110346518A (zh) 一种交通排放污染可视化预警方法及其***
CN106815563A (zh) 一种基于人体表观结构的人群数量预测方法
Chen et al. Recognition algorithm of street landscape in cold cities with high difference features based on improved neural network
CN111726535A (zh) 基于车辆感知的智慧城市cim视频大数据画质控制方法
CN116468994A (zh) 一种基于街景数据的村镇收缩模拟方法、***和装置
CN115293427A (zh) 一种针对城市早高峰最优出行路线的规划方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant